샴순 나하르(Shamsun Nahar)는 2026년 Frontline Social Sciences and History Journal에 초등학교의 개인화된 포용교육 개입을 위한 설명 가능한 Large Language Model 프레임워크 연구를 발표했다. 이 프레임워크는 machine learning, explainable artificial intelligence, Retrieval-Augmented Generation(RAG, 답변 전 외부 근거를 검색하는 방식)을 결합해 추가 교육 지원이 필요한 학습자를 식별하고, 개인별 필요에 맞춘 근거 기반 개입 전략을 생성한다.

연구는 UCI와 Kaggle의 공개 교육 데이터셋을 사용해 Random Forest, Support Vector Machine, Artificial Neural Network, LightGBM, CatBoost, XGBoost 예측 모델을 구축했다. 특히 Explainable XGBoost-RAG-LLM 프레임워크가 가장 좋은 성능을 냈으며, 논문은 높은 예측 정확도와 SHAP, LIME에서 나온 해석 가능한 인사이트를 보고했다. 설명 가능성 분석은 출석, 학업 성취, 부모 지원, 학습 습관, 교육 참여도를 학습자 성과에 영향을 주는 핵심 요인으로 지목했다.

RAG 기반 LLM 구성요소는 포용교육 지침과 교수 자료를 참고해 예측 결과를 개인화된 권고로 전환했다. 연구는 이 프레임워크를 교사, 행정가, 정책 입안자가 포용적이고 개인화된 교육 실천을 구현할 때 활용할 수 있는 투명하고 확장 가능한 의사결정 지원 시스템으로 제시했다.

샴순 나하르(Shamsun Nahar)는 2026년 Frontline Social Sciences and History Journal에 초등학교의 개인화된 포용교육 개입을 위한 설명 가능한 Large Language Model 프레임워크 연구를 발표했다. 이 프레임워크는 machine learning, explainable artificial intelligence, Retrieval-Augmented Generation(RAG, 답변 전 외부 근거를 검색하는 방식)을 결합해 추가 교육 지원이 필요한 학습자를 식별하고, 개인별 필요에 맞춘 근거 기반 개입 전략을 생성한다.

연구는 UCI와 Kaggle의 공개 교육 데이터셋을 사용해 Random Forest, Support Vector Machine, Artificial Neural Network, LightGBM, CatBoost, XGBoost 예측 모델을 구축했다. 특히 Explainable XGBoost-RAG-LLM 프레임워크가 가장 좋은 성능을 냈으며, 논문은 높은 예측 정확도와 SHAP, LIME에서 나온 해석 가능한 인사이트를 보고했다. 설명 가능성 분석은 출석, 학업 성취, 부모 지원, 학습 습관, 교육 참여도를 학습자 성과에 영향을 주는 핵심 요인으로 지목했다.

RAG 기반 LLM 구성요소는 포용교육 지침과 교수 자료를 참고해 예측 결과를 개인화된 권고로 전환했다. 연구는 이 프레임워크를 교사, 행정가, 정책 입안자가 포용적이고 개인화된 교육 실천을 구현할 때 활용할 수 있는 투명하고 확장 가능한 의사결정 지원 시스템으로 제시했다.